全部 · 2026-03-13

Ben Tossell 把 1.3k 人带进工作坊，又把一份 alpha0.1 cookbook 丢给 Codex 和 Claude Code，这条我看成“个人工作流商品化”的样板，不看成产品发布。重点不在那个教程链接，也不在 200 stars；重点在他把“我怎么和 agent 配合”直接包装成可复制体验，而且已经有人愿意先报名再试。 我一直觉得，2026 年很多 AI builder 的默认栈已经收敛到双模型分工：一个模型负责长代码生成，一个模型负责规划、拆解、设计。Ben 这里点名 GPT 5.4 XHigh 写“proper code”，Opus 4.6 做 planning 和 design，这个组合很像不少独立开发者这几个月公开说过的做法。原因不神秘：代码正确率、补全速度、上下文稳定性，往往不是同一模型同时最强。Anthropic 这半年在写作、结构化规划、前端品味上口碑更稳；OpenAI 系模型在代码执行链路和工具调用上更常被拿来干重活。我自己没系统跑过他这套 cookbook，但这个分工逻辑我买账。 我不太买账的是另一层叙事：把这些信号直接读成“新产品验证通过”。1.3k 报名是很好的内容分发数据，不是留存数据，不是付费数据，也不是完成率数据。正文没披露 workshop 转化率、cookbook 跑通率、部署成功率，也没披露 Codex 和 Claude Code 各自的失败率。Ben 还直接写了 Codex 在 workshop 里掉链子，这反而比漂亮截图更有信息量——今天所谓 agent 教学，最脆弱的一环还是现场稳定性，不是 prompt 设计。 另一个有意思的点，是他把“interactive cookbook”放在“step-by-step tutorial”对立面。这个判断我基本同意。过去一年，大量 AI 教学内容都卡在一个老问题：用户要在教程、IDE、终端、浏览器之间来回切，认知上下文一直断。把教程直接喂给 agent，让 agent 边做边教，确实更接近学徒制，而不是看文档做填空。去年到今年，OpenAI Codex、Claude Code、Cursor 的很多高留存用法，本质都在往这个方向靠：不是给你一个答案，而是给你一段可执行过程。 但这里也有个明显风险。把教程嵌进 agent，不等于教学质量自动上升。模型会补全，也会乱讲；会生成页面，也会把错误模式包装得很像最佳实践。Ben 推荐用户去读 agent 中间的 thinking/output，这个建议是对的，可惜大部分初学者并不会真的审。于是“交互式 cookbook”很容易滑成另一种外包：用户得到一个能跑的站点，却没建立排错能力。标题里那种“become a builder”式热情，我理解；真落到能力迁移，正文还没给出证据。 visualise skill 这段也挺说明问题。Claude 前一天刚上交互式图表和图解 beta，他第二天就 reverse-engineer 成一个可装到 agent 里的 skill，还拿到 200+ stars。这个速度说明两件事。第一，模型厂商刚放出一个可见能力，外围开发者马上会做二次封装，延展到别的平台。第二，所谓护城河经常不是“能力是否存在”，而是谁先把它变成默认工作流。200 stars 当然不算大项目，离插件级爆发还早；但对一个个人实验仓库，它足够说明需求真实存在。 我对“code is basically free nowadays”这句有点保留。token 单价这两年确实压下来了，Claude Code、Codex 这类工具也把生成门槛拉低了，但真不免费的部分从来不是首版代码，而是反复返工、审阅、设计取舍、上线后的维护。Ben 自己也承认 cookbook 站点还要再做 design pass，contrast 都不对。这个细节很诚实，也刚好说明现实：代码更便宜了，审美和判断反而更贵。 所以这条的价值，在于它把 agent 时代一个越来越清晰的分层摆到台面上：底层模型能力在趋同，上层差异开始落到工作流编排、教学体验、默认技能包、还有个人品牌带来的分发。Ben 这次拿到的不是产品胜利，更像先手卡位。要不要把它当成 business，我还没看到足够证据；要不要把它当成信号，我觉得得认真看。

这条标题把 Google TPU 对 Nvidia 的竞争抬到了“能不能撼动”的层级，但正文是空的，连前 TPU 工程师是谁、做过哪代 TPU、讲的是训练还是推理，都没披露。能下的判断其实很有限：这更像一条内容导流标题，不足以支持产业判断。 我一直觉得，TPU 和 Nvidia 的竞争，外界最容易看错的点，是把芯片性能当成唯一变量。Google 真有优势的地方，从来不只是矩阵算力，而是它把 TPU、JAX/XLA、内部集群调度、模型团队和自家业务负载绑在一起用。这个模式在 Google 内部成立，在外部市场就没那么顺。Nvidia 过去两年吃下的，不只是 H100、B200 这类单卡优势，更是 CUDA、NCCL、推理框架适配、云厂商供给、开发者习惯这整套惯性。单说“TPU 能否撼动 Nvidia”，问题设得就有点粗。 如果这位前工程师讲的是架构史，价值会在细节。比如 TPU v4 到 Trillium 这一线，Google 在 pod 规模、互连、能效和自用负载匹配上到底踩过哪些坑。要是讲的是商业化，那就要看 Google Cloud 到底把多少内部能力变成了外部可买服务。我记得过去一年，Google 一直在推 Trillium TPU 给 Gemini 训练和推理背书，但公开世界里，开发者默认栈还是 Nvidia 更稳。我没查到这期视频有没有拿出客户迁移、成本对比、吞吐数字；标题没有，摘要也没有。 我对“前 TPU 工程师首次揭秘”这个包装也有点怀疑。前员工的价值，取决于他离开 Google 的时间点。假设他参与的是 TPU v3 或 v4，那对 2026 年的竞争判断未必够新。过去一年大模型训练的瓶颈，已经不只是芯片 MAC 数，更多是网络、内存、编译器、checkpoint、故障恢复和集群利用率。离开时间一拉长，很多一手信息会迅速过期。这个行业 18 个月就能换一代叙事，老内部视角不等于当下答案。 还有一个常被忽略的现实：Google 自己大量使用 TPU，并不自动等于 TPU 能在开放市场复制 Nvidia 的地位。这个差别，类似 AWS 自研芯片在自家云里很强，但并没有把外部开发者生态整体搬走。Nvidia 的强，不只因为它芯片快，也因为别人围着它写软件、做优化、配供应链。Google 若想“撼动”，至少要同时回答三个问题：外部客户迁移成本降了多少，主流训练框架支持到了什么深度，供给能不能稳定扩大。标题一个都没给。 所以这条我只能先给很保守的判断：如果视频里没有具体代际、基准、成本和部署案例，那它更像观点节目，不是情报源。要让我改观，最少得有几样硬信息：哪代 TPU 对哪代 Nvidia；训练还是推理；tokens/s、每美元吞吐、集群规模、软件迁移代价。没有这些，“撼动英伟达”就是情绪词，不是分析。